CN106199332A - 一种改进的轨道电路红光带故障诊断方法 - Google Patents
一种改进的轨道电路红光带故障诊断方法 Download PDFInfo
- Publication number
- CN106199332A CN106199332A CN201610499713.6A CN201610499713A CN106199332A CN 106199332 A CN106199332 A CN 106199332A CN 201610499713 A CN201610499713 A CN 201610499713A CN 106199332 A CN106199332 A CN 106199332A
- Authority
- CN
- China
- Prior art keywords
- fault
- diagnosis
- track circuit
- red band
- voltage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Train Traffic Observation, Control, And Security (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种改进的轨道电路红光带故障诊断方法。主要包括以下步骤:1)FTA定性分析,根据现场故障分析确立故障树模型;2)由最小割集确定诊断模型的诊断属性,通过分析故障树所蕴含的知识,提取故障诊断规则;3)根据FTA分析结果,设计诊断系统结构并构建改进粒子群优化支持向量机的模型;4)根据诊断对象设定改进粒子群算法参数,通过样本学习训练改进的向量机模型,确立故障诊断模型;5)将实际运行时将实测数据输入到故障诊断模型中,计算得到故障诊断结果。本发明可用于诊断ZPW‑2000无绝缘移频轨道电路红光带故障,故障诊断准确度和故障样本利用率高,为轨道电路智能故障诊断提供一种新的技术手段。
Description
技术领域
本发明涉及高速铁路信号设备故障处理领域,是一种关于ZPW-2000轨道电路故障诊断方法,具体是一种基于FTA和改进粒子群优化支持向量机的ZPW-2000无绝缘移频轨道电路红光带故障智能诊断方法。
技术背景
由于轨道电路的特殊作用和地位,使得轨道电路的性能直接影响运输效率和行车安全,轨道电路功能失效轻则影响运输效率重则可能带来灾难性的后果,因此必须保证轨道电路的正常工作。目前区间闭塞的主流设备多采用ZPW-2000系列无绝缘轨道电路,轨道电路常年工作于室外,易受环境影响,极大的增加了设备发生故障的概率。其应用环境以及运营条件的复杂性等因素客观上也给轨道电路故障的诊断及维护带来了困难。当前,我国轨道电路设备故障的诊断与维护工作主要依靠现场人员的经验来进行。考虑到设备本身的复杂性,以及环境等因素的影响,单纯依赖维修人员的经验进行系统故障诊断,难免产生失误。如何高效的实现轨道电路设备故障的智能化诊断对进一步提高我国高速铁路列车运输效率与运输安全性显得尤为重要。
近来,一些先进的故障诊断算法已被尝试应用到轨道电路故障诊断中,其中针对ZPW-2000无绝缘移频轨道电路故障诊断的方法研究有:文献“基于粒子群支持向量机的轨道电路分路不良预测方法”(张梦琪,赵会兵,孙上鹏,铁道学报2015,10)提出一种基于粒子群支持向量机的方法,用于轨道电路分路不良故障诊断,对分路不良故障有较好的诊断效果。文献“基于分层免疫机制的无绝缘轨道电路补偿电容故障诊断系统”(赵林海,毕廷帅,刘伟宁铁道学报2013,10)提出一种基于分层免疫机制的方法,用于轨道电路补偿电容故障诊断,对补偿电容故障可作出正确诊断。文献“基于组合模型的轨道电路复杂故障诊断方法研究”(米根锁,杨润霞,梁利,铁道学报2014,10)提出了基于组合模型的轨道电路故障诊断理念,能克服诊断信息来源单一的问题,具有较高的诊断正确率。文献“基于数据的轨道电路故障诊断的混合算法”(杨世武,魏学业,北京交通大学学报,36(2):40-46,2012)提出了一种基于神经网络的故障诊断网络对轨道电路进行故障诊断,解决了单独设计网络带来的运算量问题。但轨道电路的故障诊断仍面临故障模式多样性,故障样本偏少的问题。
支持向量机(Support Vector Machine,SVM)是人工智能领域里的重要分支,其模型结构简单,克服了维数灾难和易陷入局部最优的缺点,且对小样本和非线性问题有很好的分类效果和泛化功能逐渐应用于故障诊断中。本方法以ZPW-2000无绝缘移频轨道电路红光带故障为研究对象,针对红光带故障的复杂性和故障样本的小样本特性,SVM方法较其他方法更适用于轨道电路红光带的故障诊断。但在实际应用中SVM方法的还存在怎样选取参数能使其诊断性能达到最优的问题,仅靠单一SVM方法无法满足轨道电路红光带故障诊断快速诊断、准确定位故障点的要求。
发明内容
本发明的目的是提供一种基于FTA与改进粒子群优化支持向量机的ZPW-2000无绝缘移频轨道电路红光带故障智能诊断方法,该方法能充分利用轨道电路的历史故障数据,在轨道电路发送红光带故障时进行智能故障诊断,快速定位故障点,针对红光带故障多样性和复杂性,提高故障诊断速度和准确度。
本发明实现其发明目的,所采用的技术方案为:
改进的轨道电路红光带故障诊断方法,包括如下主要步骤:
(1)FTA定性分析:
首先通过现场故障分析,搭建宏观ZPW-2000轨道电路系统故障树模型,将其故障类型区分为室内故障与室外故障;然后以红光带故障为顶事件,逐级分析并按逻辑关系搭建ZPW-2000轨道电路红光带故障树模型,采用下行法逐层搜寻最小割集,并将其按室内故障和室外故障进行分类;
(2)诊断规则提取:
通过分析故障树所蕴含的知识,总结红光带故障的故障模式,提取故障诊断规则,确定各改进粒子群优化支持向量机模型的诊断属性输入和诊断故障分类输出;
(3)根据FTA分析结果,设计诊断系统结构,并构建两个改进粒子群优化支持向量机模型;
(4)根据诊断对象设定改进粒子群算法参数,通过样本学习训练模型,确立故障诊断模型;
(5)将实测数据输入到故障诊断模型中,计算得到故障诊断结果。
进一步地,步骤1)中,首先通过现场故障调查分析,搭建宏观ZPW-2000轨道电路系统红光带故障树模型,将其基础故障类型区分为室内故障与室外故障;然后以红光带故障为顶事件,结合专家经验与故障调查分析结果,逐级向下找出各级故障原因事件,并将分析得到的中间事件、底事件与顶事件按其逻辑关系用逻辑符号相互联接构成ZPW-2000轨道电路红光带故障树模型;最后通过下行法逐层搜寻最小割集,将割集按室内故障和室外故障进行分类。
进一步地,步骤2)中,按照下行法逐层进行最小割集确定,然后按照选取的室内、室外故障诊断属性,对最小割集进一步进行隔离,构建室内、室外故障诊断规则表。
基于FTA与改进粒子群优化支持向量机的ZPW-2000轨道电路红光带故障诊断方法,采用最终训练确立得到故障诊断模型自动定位故障点并获得故障诊断维修指示:
其故障诊断模型包括两个子模型,即:
以轨道继电器动作电压U1、接收端接收电平U2、接收端模拟网络设备侧电压U3、轨出“1”电压U4和发送功出电压U5为诊断属性;以F1:与TCC通信故障、F2:轨道继电器故障、F3:接收器故障、F4:衰耗器故障、F5:接收端防雷模拟网络故障、F6:发送端防雷模拟网络故障、F7:发送电平调整不当、发送器故障、电源故障为分类输出的室内设备故障诊断改进粒子群优化支持向量机模型;
以接收端模拟网络设备侧电压U6、轨出“1”电压U7、接收端轨面电压U8、发送端轨面电压U9为诊断属性;以F8:接收端SPT电缆故障、F9:接收端SVA故障、接收端谐振单元故障、F10:接收端匹配电压器故障、F11补偿电容故障、F12:道床电阻过低:、F13:发送端匹配变压器故障、F14发送端SVA故障、发送端谐振单元故障、F15发送端SPT电缆故障为分类输出的室外设备故障诊断改进粒子群优化支持向量机模型。
当发生ZPW-2000轨道电路红光带故障时,通过铁路信号微机监测CSM平台采集相关故障诊断模型特征输入数据,包括:发送功出电压V1、分线盘发送电压V2、分线盘送回电压V3、U1~U9,输入到确立好的诊断系统模型中:主要步骤包括:
首先根据室内外设备故障判定规则进行初步判断,若:V1正常、V3正常或V1异常、V2异常则判定为室内设备故障,若:V1正常、V3异常或V1异常、V2正常且V3异常则判定为室外设备故障;
若判定为室内故障,则进入室内设备故障诊断改进粒子群优化支持向量机模型进行诊断计算,将模型计算结果进行输出;若判定为室外故障,则进入室外设备故障诊断改进粒子群优化支持向量机模型进行诊断计算,将模型计算结果进行输出。
进一步地,步骤3)中,为向量机模型的确立,本方法选取非线性向量机模型,设计非线性模型的基本思想是:选取合适的非线性映射函数,把输入向量x∈Rn映射到高维特征空间G中,在此高维特征空间G中建立最优分类超平面。输入向量x具体为室内、室外故障的诊断属性。引入松弛变量ξi和惩罚因子C得到目标优化函数:
将待优化目标函数转化为对偶问题,采用拉格朗日乘子法和KKT理论求解得到最终线性可分问题的优化式子:
对非线性问题,需要通过非线性映射把数据映射到更高维的特征空间,假设核函数K(xi,x)为非线性映射函数,则确定决策函数为
由于径向基核函数(RBF)只需确定一个参数,有利于参数优化,因此选择RBF为核函数:
式中σ是核函数宽度。
进一步地,步骤4)中,由理论研究发现惩罚因子C和核参数σ是决定SVM性能的最重要参数,为了获得最好的分类能力,采用改进粒子群优化算法来优化惩罚因子C和核参数σ。原始粒子群算法中假设在N维搜索空间中由m个粒子组成一个群体,xi=(xi1,xi2,...,xiN)指第i个粒子的位置,vi=(vi1,vi2,...,viN)指第i个粒子的速度。第i个粒子的最优位置为pi=(pi1,pi2,...,piN),整个群体的最优位置为pb=(pb1,pb2,...,pbN)。群体中粒子的速度和位置可以表示成如下方程:
vin(k+1)=w·vin(k)+rand(0,c1)·[pin(k)-xin(k)]+rand(0,c2)·[pbn(k)-xin(k)]
xin(k+1)=xin(k)+vin(k+1);
n=1,2,...,N (5)
式中:c1,c2是加速常数,分别代表了一个粒子向局部最优位置(pin)和全局最优位置(pbn)飞行的加速权重;rand(0,c1)、rand(0,c2)分别是在[0,c1]、[0,c2]中均匀分布的随机数;w是惯性权重。
本方法通过引入可变惯性权重w(i)来改善原始粒子群算法寻优的性能:
式中,k为控制因子,控制w与i变化曲线的平滑度;i表示当前迭代次数。
针对原始粒子群算法容易陷入局部最优的缺点,文方法引入过早停滞判断,具体如下:当pin在M次迭代过程中不变化或者pbn在N次迭代过程中不变化,则认为种群陷入了过早停滞.这说明群体已经或者即将陷入局部最优。M、N的值根据问题的规模和经验提前设定,M、N的值越大说明判断过早停滞的条件越宽松。在PSO算法中加入过早停滞计算器K1、K2来计算停滞次数.如果Pi或Pb的值与前一次相同,K1或K2的值加1;否则清零.当K1、K2的值达到极限值M、N,重置Pi和Pb使粒子跳出局部最优。
对Pi的改进
对Pb的改进
得到改进算法中群体粒子速度和位置方程
xin(k+1)=xin(k)+vin(k+1);
n=1,2,...N (9)
按照得到的公式(9)去优化SVM模型中惩罚因子C和核参数σ;
进一步地,步骤5)中,在确立系统故障诊断模型之后,当ZPW-2000轨道电路发生红光带故障时,即可将实测现场故障数据输入到确定好的模型中,计算得到的输出数据,根据输出数据进行判断,快速定位故障点,最后结合专家经验知识给出故障诊断维修建议。
与现有的ZPW-2000轨道电路故障诊断技术相比,本发明的有益效果在于:
1)本发明通过构建故障树分析提取故障诊断规则,结合支持向量机方法,将复杂的故障诊断过程分解简化,确立室内、室外故障,通过故障树分析法确定故障诊断属性,使诊断模型的结构相对简单、复杂性低、提高了故障诊断的速度。
2)本发明是在粒子群优化向量机模型基础上构建的,具有强大的自学习分类能力,在模型学习训练过程中引入可变惯性权重和过早停滞判断对粒子群算法进行改进,再由改进后的粒子群算法对支持向量机模型进行参数优化,从而保障了诊断的有效性和准确性。
3)本发明利用现有的铁路信号微机监测CSM平台数据进行智能故障诊断,能够迅速识别故障类型,快速定位故障点,降低人工排查故障带来的的不可靠性,节省人力成本,解决了故障诊断耗时长、成本高、效率低的问题。
附图说明
图1为本发明方法分析流程框图。
图2为本发明方法实施例1的ZPW-2000轨道电路系统结构原理图。
图3为本发明方法实施例1的ZPW-2000轨道电路系统故障宏观故障树模型。
图4为本发明方法实施例1的ZPW-2000轨道电路红光带故障树模型。
图5为本发明方法实施例1的ZPW-2000轨道电路红光带故障室内外设备故障区分判别流程图。
图6为本发明方法实施例1的ZPW-2000轨道电路红光带故障诊断系统结构设计框图。
图7为本发明方法实施例1的故障诊断详细流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
参照图1,本发明的基于FTA与多层次模糊神经子网络的ZPW-2000轨道电路红光带故障诊断方法,可以分为两大部分:FTA分析部分与故障诊断部分,其主要流程包括:FTA定性分析,提取故障诊断规则,诊断模型构建,模型样本训练,最后实测数据输入得出故障诊断结果。
本发明的基于FTA与多层次模糊神经子网络的ZPW-2000轨道电路红光带故障诊断方法,按照以下具体步骤实施:
1)FTA定性分析:首先通过故障调查分析,搭建宏观ZPW-2000轨道电路系统故障树模型,将其故障类型区分为室内故障与室外故障;然后以红光带故障为顶事件,逐级分析并按逻辑关系搭建ZPW-2000轨道电路红光带故障树模型,采用下行法逐层搜寻最小割集,并将其按室内故障和室外故障进行分类;
2)通过分析故障树所蕴含的知识,总结故障诊断的故障输出模式,提取故障诊断规则,确定各故障诊断模糊神经子网络的输入输出;
3)根据FTA分析结果,设计诊断系统结构,建立室内、室外SVM故障诊断模型;
4)根据故障诊断对象设定改进粒子群算法参数,通过故障样本学习训练诊断模型,确立故障诊断模型;
5)将实测数据输入到故障诊断模型中,计算得到故障诊断结果。
实施例
对ZPW-2000轨道电路红光带故障进行诊断。
图2所示为ZPW-2000轨道电路系统结构原理图,其主要由发送器、接收器、衰耗器、防雷网、电缆模拟网络、SPT电缆、补偿电容、匹配变压器、调谐单元和空心线圈等设备组成。针对ZPW-2000轨道电路红光带故障诊断方案实施如下:
1)FTA定性分析:
首先如图3所示,由现场故障调查分析,搭建宏观ZPW-2000轨道电路系统故障树模型,将其故障类型区分为室内故障与室外故障;然后如图4所示,以红光带故障为顶事件,结合专家经验与故障调查分析结果,逐级向下找出各级故障原因事件,直到满足所需的分析深度,并将分析得到的中间事件、底事件与顶事件按其逻辑关系用逻辑符号相互联接构成ZPW-2000轨道电路红光带故障树模型,并对其顶事件、中间事件和底事件进行编码;按照表1所示,采用下行法逐层搜寻最小割集,并将最小割集按室内故障和室外故障进行分类得到故障最小割集统计表2;
表1下行法搜寻最小割集
表2故障最小割集统计表
2)分析故障树,选取故障诊断属性,提取故障诊断规则,确定改进粒子群优
化支持向量机方法的故障诊断属性输入和故障分类输出。
表1中每个独立的底事件就是一个最小割集,即系统故障源之一,其中任何一个事件发生都必然导致系统故障发生。根据图3的故障树表达可以得知,室内设备故障和室外设备故障两个支路会导致顶事件ZPW-2000A轨道电路系统故障的发生。据此,可以建立两个改进粒子群优化支持向量机模型分别对这两大类的故障进行诊断分析。
区分室内与室外故障分析:
根据图3得到的宏观ZPW-2000轨道电路系统故障树模型,将其故障类型区分为室内故障与室外故障,结合专家经验、现场维修经验以及现有的研究成果,可以得到图5所示的室内室外故障判定流程图,根据图中的表达,总结得到区分室内与室外故障的判定规则表3,其中3个电压值的正常/异常判定范围根据专家经验知识设定。
表3室内外设备故障判定规则表
室内故障:
当发生室内故障时,从图4中将室外故障事件隔离可看到:事件X2/X3/X4/X5/X18/X19/X20/X21都会导致轨道继电器错误落下,而事件X1对其无影响;事件X4/X5//X18/X19/X20/X21都会导致接收电平过低而事件X2/X3对其无影响;X5/X18/X19/X20/X21事件会导致接收端模拟网络设备侧电压过低,而事件X4对其无影响;X18/X19/X20/X21事件会导致“轨出1电压过低”;X19/X20/X21事件会导致发送功出电压过低,而事件X18对其无影响。因此选定轨道继电器动作电压,接收电平,接收端模拟设备侧电压,轨出“1”电压,发送功出电压作为室内设备故障诊断模型的系统输入变量,根据这五个输入变量区分{X1},{X2},{X3},{X4},{X5},{X18},{X19、X20、X21}七种故障模式。系统输入参数和故障输出参数说明如表4所示,根据FTA分析结果,结合专家经验知识,总结得到室内故障诊断规则表5,其中N表示“正常”、L表示“偏低”。
表4室内故障诊断模型参数说明
表5室内故障诊断规则表
室外故障:
当发生室外故障时,从图4中将室内故障事件隔离可看到:事件X7/X8/X9/X10/X11/X12/X13/X14/X15/X16/X17会导致轨出“1”电压过低”而事件X6对其无影响;事件X10/X11/X12/X13会导致受端轨面电压过低,而事件X7/X8/X9对其无影响;X14/X15/X16/X17会导致发送端轨面电压过低,而事件X10/X11/X12/X13对其无影响。因此选定接收端模拟网络设备侧电压,轨出“1”电压,受端轨面电压,发送端轨面电压作为室外设备故障诊断模型的系统输入变量,根据这四个输入变量区分{X6},{X7、X8},{X9},{X10},{X12},{X15},{X16、X17},{X14}这八种故障模式。系统输入参数和故障输出参数说明如表6所示,根据FTA分析结果,结合专家经验知识,总结得到室外故障诊断规则表7其中N表示“正常”、L表示“偏低”。
表6室外故障诊断模型参数说明
表7室外故障诊断规则表
3)根据FTA分析结果,设计诊断系统结构如图6所示,室内、室外故障诊断规则表为基础,确定诊断属性,确立诊断模型。
4)根据诊断对象设定改进粒子群参数,通过样本学习训练训练模型,最后确立故障诊断模型。
5)将实测数据输入到故障诊断模型中,计算得到故障诊断结果。
根据上述设计分析过程的方法,最终训练确立得到故障诊断模型,主要包括:
以轨道继电器动作电压U1、接收端接收电平U2、接收端模拟网络设备侧电压U3、轨出“1”电压U4和发送功出电压U5为诊断属性;以F1:与TCC通信故障、F2:轨道继电器故障、F3:接收器故障、F4:衰耗器故障、F5:接收端防雷模拟网络故障、F6:发送端防雷模拟网络故障、F7:发送电平调整不当、发送器故障、电源故障为分类输出的室内设备故障诊断改进粒子群优化支持向量机模型;
以接收端模拟网络设备侧电压U6、轨出“1”电压U7、接收端轨面电压U8、发送端轨面电压U9为诊断属性;以F8:接收端SPT电缆故障、F9:接收端SVA故障、接收端谐振单元故障、F10:接收端匹配电压器故障、F11:补偿电容故障、F12:道床电阻过低、F13:发送端匹配变压器故障、F14:发送端SVA故障、发送端谐振单元故障、F15:发送端SPT电缆故障为分类输出的室外设备故障诊断改进粒子群优化支持向量机模型;
当发生ZPW-2000轨道电路红光带故障时,将铁路信号微机监测平台采集得到的相关故障诊断模型特征输入数据(包括发送功出电压V1、分线盘发送电压V2、分线盘送回电压V3、U1~U9)输入到确立好的诊断系统模型中:
首先根据室内外设备故障判定规则进行初步判断,若(V1正常、V3正常)或(V1异常、V2异常)则判定为室内设备故障,若(V1正常、V3异常)或(V1异常、V2正常且V3异常)则判定为室外设备故障;
若判定为室内故障,则进入室内设备故障诊断改进粒子群优化支持向量机模型进行诊断计算,将模型计算结果进行输出。本方法采取对应法输出诊断结果结果的方法是“n中取1”的表示法,令输出向量的分数量等于类别数,输入样本被判为哪一类,对应的输出分量取1,其余n-1个分量全取0;
若判定为室外故障,则进入室外设备故障诊断改进粒子群优化支持向量机模型进行诊断计算,将模型计算结果进行输出,仍采用是“n中取1”的表示法,令输出向量的分数量等于类别数,输入样本被判为哪一类,对应的输出分量取1,其余n-1个分量全取0。
在得到故障诊断后,结合专家经验知识给出故障诊断维修建议,故障整体详细诊断流程如图7所示。
具体故障诊断维修建议例如:在诊断出室内故障故障模式F1时,TCC通信故障,解决方法为主机重启;诊断出室内故障故障模式F4时,衰耗器故障,解决方法为按照衰耗器维护守则进行故障检测维护;诊断出室外故障故障模式F9时,接收端SVA故障、接收端谐振单元故障,解决方法为更换接收端SVA和接收端调谐单元。
Claims (5)
1.一种改进的轨道电路红光带故障诊断方法,包括如下主要步骤:
(1)FTA定性分析:
首先通过现场故障分析,搭建宏观ZPW-2000轨道电路系统故障树模型,将其故障类型区分为室内故障与室外故障;然后以红光带故障为顶事件,逐级分析并按逻辑关系搭建ZPW-2000轨道电路红光带故障树模型,采用下行法逐层搜寻最小割集,并将其按室内故障和室外故障进行分类;
(2)诊断规则提取:
通过分析故障树所蕴含的知识,总结红光带故障的故障模式,提取故障诊断规则,确定各改进粒子群优化支持向量机模型的诊断属性输入和诊断故障分类输出;
(3)根据FTA分析结果,设计诊断系统结构,并构建两个改进粒子群优化支持向量机模型;
(4)根据诊断对象设定改进粒子群算法参数,通过样本学习训练模型,确立故障诊断模型;
(5)将实测数据输入到故障诊断模型中,计算得到故障诊断结果。
2.根据权利要求1所述的改进的轨道电路红光带故障诊断方法,其特征在于,所述步骤(1)中,搭建ZPW-2000轨道电路红光带故障树模型,采用下行法确立最小割集,按室内外故障对最小割集进行分类。
3.根据权利要求1所述的改进的轨道电路红光带故障诊断方法,其特征在于,所述步骤(2)中,分析所建立的故障树模型建立两个故障诊断子模型,即:
以轨道继电器动作电压U1、接收端接收电平U2、接收端模拟网络设备侧电压U3、轨出“1”电压U4和发送功出电压U5为诊断属性;以F1:与TCC通信故障、F2:轨道继电器故障、F3:接收器故障、F4:衰耗器故障、F5:接收端防雷模拟网络故障、F6:发送端防雷模拟网络故障、F7:发送电平调整不当、发送器故障、电源故障为分类输出的室内设备故障诊断改进粒子群优化支持向量机模型;
以接收端模拟网络设备侧电压U6、轨出“1”电压U7、接收端轨面电压U8、发送端轨面电压U9为诊断属性;以F8:接收端SPT电缆故障、F9:接收端SVA故障、接收端谐振单元故障、F10:接收端匹配电压器故障、F11补偿电容故障、F12:道床电阻过低:、F13:发送端匹配变压器故障、F14发送端SVA故障、发送端谐振单元故障、F15发送端SPT电缆故障为分类输出的室外设备故障诊断改进粒子群优化支持向量机模型。
4.根据权利要求1所述的改进的轨道电路红光带故障诊断方法,其特征在于,所述步骤(3)中,当ZPW-2000轨道电路发生红光带故障时,通过铁路信号微机监测平台CSM采集相关故障诊断模型特征输入数据,包括:发送功出电压V1、分线盘发送电压V2、分线盘送回电压V3;根据室内外设备故障判定规则进行初步判断,若:V1正常、V3正常或V1异常、V2异常则判定为室内设备故障,若:V1正常、V3异常或V1异常、V2正常且V3异常则判定为室外设备故障;
若判定为室内故障,则进入室内设备故障诊断改进粒子群优化支持向量机模型进行诊断计算;若判定为室外故障,则进入室外设备故障诊断改进粒子群优化支持向量机模型进行诊断计算。
5.根据权利要求1所述的改进的轨道电路红光带故障诊断方法,其特征在于,所述步骤(4)中,通过调整惯性权重的值来平衡局部寻优和全局寻优间的关系;通过引入过早停滞判断判别粒子群算法是否陷入局部最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610499713.6A CN106199332B (zh) | 2016-06-29 | 2016-06-29 | 一种改进的轨道电路红光带故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610499713.6A CN106199332B (zh) | 2016-06-29 | 2016-06-29 | 一种改进的轨道电路红光带故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106199332A true CN106199332A (zh) | 2016-12-07 |
CN106199332B CN106199332B (zh) | 2019-05-07 |
Family
ID=57463412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610499713.6A Expired - Fee Related CN106199332B (zh) | 2016-06-29 | 2016-06-29 | 一种改进的轨道电路红光带故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106199332B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527339A (zh) * | 2016-12-14 | 2017-03-22 | 东北大学 | 一种基于工业云的高可靠的选矿设备故障诊断系统及方法 |
CN109029975A (zh) * | 2018-06-26 | 2018-12-18 | 红河学院 | 一种风电齿轮箱的故障诊断方法 |
CN111008438A (zh) * | 2019-12-02 | 2020-04-14 | 中国海洋石油集团有限公司 | 一种脐带缆多阶段系统可靠性分析方法和装置 |
CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
CN112084910A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法及系统 |
CN117647721A (zh) * | 2023-12-20 | 2024-03-05 | 黑龙江瑞兴科技股份有限公司 | 轨道电路故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745229A (zh) * | 2013-12-31 | 2014-04-23 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法及系统 |
CN104714538A (zh) * | 2015-01-21 | 2015-06-17 | 中国铁路总公司 | 一种铁路信号系统智能故障诊断装置及诊断方法 |
-
2016
- 2016-06-29 CN CN201610499713.6A patent/CN106199332B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745229A (zh) * | 2013-12-31 | 2014-04-23 | 北京泰乐德信息技术有限公司 | 一种基于svm的轨道交通故障诊断方法及系统 |
CN104714538A (zh) * | 2015-01-21 | 2015-06-17 | 中国铁路总公司 | 一种铁路信号系统智能故障诊断装置及诊断方法 |
Non-Patent Citations (2)
Title |
---|
张梦琪等: "基于粒子群支持向量机的轨道电路分路不良预测方法", 《铁道学报》 * |
王玉兰: "ZPW-2000A型轨道电路故障分析及处理", 《中国高新技术企业》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527339A (zh) * | 2016-12-14 | 2017-03-22 | 东北大学 | 一种基于工业云的高可靠的选矿设备故障诊断系统及方法 |
CN106527339B (zh) * | 2016-12-14 | 2019-04-23 | 东北大学 | 一种基于工业云的高可靠的选矿设备故障诊断系统及方法 |
CN109029975A (zh) * | 2018-06-26 | 2018-12-18 | 红河学院 | 一种风电齿轮箱的故障诊断方法 |
CN111008438A (zh) * | 2019-12-02 | 2020-04-14 | 中国海洋石油集团有限公司 | 一种脐带缆多阶段系统可靠性分析方法和装置 |
CN111626416A (zh) * | 2020-04-24 | 2020-09-04 | 黑龙江瑞兴科技股份有限公司 | 基于深度卷积神经网络的轨道电路故障自动诊断方法 |
CN112084910A (zh) * | 2020-08-28 | 2020-12-15 | 北京旋极信息技术股份有限公司 | 故障诊断方法及系统 |
CN117647721A (zh) * | 2023-12-20 | 2024-03-05 | 黑龙江瑞兴科技股份有限公司 | 轨道电路故障诊断方法及系统 |
CN117647721B (zh) * | 2023-12-20 | 2024-06-14 | 黑龙江瑞兴科技股份有限公司 | 轨道电路故障诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106199332B (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106199332A (zh) | 一种改进的轨道电路红光带故障诊断方法 | |
CN108336725A (zh) | 电网调度设备监控管理及智能分析系统 | |
CN102142716B (zh) | 一种基于三态数据多维协同处理的电网在线故障诊断方法 | |
CN104991549B (zh) | 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法 | |
CN107798395A (zh) | 一种电网事故信号自动诊断方法及系统 | |
CN105305444A (zh) | 基于调配一体化的配网综合智能告警与处理方法 | |
Yang et al. | State evaluation of power transformer based on digital twin | |
CN108710756A (zh) | 基于谱聚类分析下多特征信息加权融合的故障诊断方法 | |
CN105974232B (zh) | 一种适用于高压输电网的电网故障诊断方法 | |
Feng et al. | A technical framework of PHM and active maintenance for modern high-speed railway traction power supply systems | |
CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
CN102779230A (zh) | 一种电力变压器系统状态分析和维修决策判断方法 | |
CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN104166940A (zh) | 配电网运行风险评估方法及评估系统 | |
CN109490702A (zh) | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 | |
CN103455658A (zh) | 一种基于加权灰靶理论的容错电机健康状态测定方法 | |
CN107328560A (zh) | 一种有载分接开关诊断方法及装置 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
CN110533300B (zh) | 基于博弈集对云的变压器智能决策系统 | |
CN117728585B (zh) | 一种分布式光伏电站状态预测方法及系统 | |
CN118152945A (zh) | 一种基于组件拓扑图的水电站辅助设备故障定位方法 | |
CN110412417A (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190507 |
|
CF01 | Termination of patent right due to non-payment of annual fee |